圖片來(lái)源：https://tinyurl.com/y7bgtyjo

數(shù)據(jù)科學(xué)從一開(kāi)始就是一個(gè)交叉學(xué)科，要求從業(yè)者在計(jì)算機(jī)、數(shù)學(xué)領(lǐng)域具備一定的技能，同時(shí)還要具備在同人與生意打交道的經(jīng)驗(yàn)。有些人會(huì)在多年的工作生活中慢慢累積相關(guān)的經(jīng)驗(yàn)，但是如果那兒有一個(gè)捷徑存在呢？

現(xiàn)在我決定同大家分享我在數(shù)據(jù)科學(xué)這條路上幫我打基礎(chǔ)的7大資源。選取的這些資源即兼顧了趣味兒性的同時(shí)也兼顧了包含在內(nèi)的數(shù)據(jù)與科學(xué)原理。

圖片來(lái)源 https://timoelliott.com/blog/

 

寫(xiě)在前面

“數(shù)據(jù)科學(xué)”的關(guān)鍵詞不是數(shù)據(jù)，而是科學(xué)。——杰夫·萊克

約翰霍普金斯大學(xué)彭博公共衛(wèi)生學(xué)院教授Jeff Leek在5年前寫(xiě)道：“數(shù)據(jù)科學(xué)中的關(guān)鍵詞不是'數(shù)據(jù)'，是'科學(xué)'。僅在使用數(shù)據(jù)回答問(wèn)題時(shí)數(shù)據(jù)科學(xué)才有用。這是等式的科學(xué)部分。這種數(shù)據(jù)科學(xué)觀點(diǎn)的問(wèn)題在于它比關(guān)注數(shù)據(jù)大小或工具的觀點(diǎn)要困難得多。計(jì)算數(shù)據(jù)集的大小要容易得多，并且說(shuō)“我的數(shù)據(jù)比你的大”，或者說(shuō)“我能在 Hadoop 中編碼，你能嗎？” 而不是說(shuō)‘我有這個(gè)非常難的問(wèn)題，我可以用我的數(shù)據(jù)回答嗎？’。”

數(shù)據(jù)科學(xué)是個(gè)老概念了，John Graunt 在它還是個(gè)新概念的時(shí)候就研究它了。正是在15世紀(jì)的小冰期，他利用概率模型開(kāi)發(fā)了人口統(tǒng)計(jì)學(xué)的第一部作品。到1960年，該主題已經(jīng)非常成熟并且被稱(chēng)為數(shù)據(jù)，但是僅在2012年哈佛商業(yè)評(píng)論發(fā)表文章“數(shù)據(jù)科學(xué)家：21世紀(jì)最性感的工作”后這個(gè)詞和這個(gè)工作才越來(lái)越受歡迎。此后僅兩年，就可以獲得關(guān)于該主題的大量在線(xiàn)課程。谷歌趨勢(shì)顯示了一些有趣的東西：盡管自2004年以來(lái)“統(tǒng)計(jì)學(xué)家”一詞呈下降趨勢(shì)，但“數(shù)據(jù)科學(xué)家”這一術(shù)語(yǔ)在哈佛商業(yè)評(píng)論的文章之后有了更強(qiáng)烈的積極變動(dòng)，并且當(dāng)在線(xiàn)課程的提供增加時(shí)，它得到了提升。

https://trends.google.com/trends/explore?date=all&q=Data%20Scientist,%2Fm%2F0c_xl

考慮到這一點(diǎn)，我要說(shuō)清楚：數(shù)據(jù)科學(xué)家不是統(tǒng)計(jì)學(xué)家，并且他們也不會(huì)代替統(tǒng)計(jì)學(xué)家（反之亦然），但對(duì)統(tǒng)計(jì)學(xué)和數(shù)學(xué)的真正興趣才是正確進(jìn)行數(shù)據(jù)科學(xué)的關(guān)鍵。我自己不是個(gè)統(tǒng)計(jì)學(xué)家，但是下面的第一個(gè)資源讓我喜歡上這個(gè)主題。

還請(qǐng)觀察下面資源如何更多地關(guān)注“好奇心”和“理解”而不是“應(yīng)用”。

圖片來(lái)源：https://towardsdatascience.com/introduction-to-statistics-e9d72d818745

 

你喜歡清單嗎？

簡(jiǎn)而言之，7個(gè)資源是：

1. The Drunkard’s Walk，Leonard Mlodinow的書(shū)

2. Machine Learning Course，由斯坦福大學(xué)創(chuàng)建并由Andrew Ng執(zhí)教

3. Introduction to Mathematical Thinking，同樣由斯坦福大學(xué)創(chuàng)建并由Keith Devlin執(zhí)教

4. Coding

5. A prejudice-free review on Maths

6. People

7. Reading about Heterodox and Orthodox Economics

該清單既不是按照時(shí)間順序也不是按重要性順序，很多這些事情會(huì)同時(shí)發(fā)生并且4-7項(xiàng)幾乎肯定會(huì)并且永遠(yuǎn)成為你作為數(shù)據(jù)科學(xué)家日常工作的一部分。

 

來(lái)讓我看看細(xì)節(jié)部分吧！

 

醉漢漫步

（譯者注：這是一本書(shū)，豆瓣地址：https://book.douban.com/subject/3102009/）

許多年前（大概是2009年？）當(dāng)我在圣誕節(jié)收到這本書(shū)時(shí)，對(duì)它并沒(méi)有很深的印象，但是多年后它變成了我一直以來(lái)的最?lèi)?ài)。

醉漢漫步這本書(shū)是幫助我們理解隨機(jī)性對(duì)我們生活造成的影響，亞馬遜的產(chǎn)品描述是這樣的“它揭露了這些心理錯(cuò)覺(jué)是如何阻擋我們理解生活，從選股到品酒”。

它幫助我覺(jué)察到我們是多么容易成為概率的受害者，也幫助我理解為什么我們更容易推到理解導(dǎo)致事件發(fā)生的所有因素，而預(yù)測(cè)類(lèi)似情況會(huì)不會(huì)再次發(fā)生卻很難的原因。

從分析者的角度來(lái)說(shuō)，這本書(shū)向我們展示了預(yù)測(cè)模型的重要性也從統(tǒng)計(jì)數(shù)據(jù)的角度證明了歷史事件發(fā)生的必然性，同樣還向我們展示了如何使用數(shù)據(jù)來(lái)解答一些難以理解的問(wèn)題，以及為什么有些問(wèn)題仍舊無(wú)法獲得答案。我把這本書(shū)認(rèn)為是我同“數(shù)據(jù)科學(xué)”的第一次親密接觸。

另外一本很好的同類(lèi)讀物是：《Algorithms to Live by: The Computer Science of Human Decisions.》（《生活中的算法：人類(lèi)決策中的計(jì)算機(jī)科學(xué)》）

很好的一幅展示隨機(jī)漫步的圖片，來(lái)源： http://cu.t-ads.org/python-intro-02-random-walk/drunkard/。

 

機(jī)器學(xué)習(xí)

這門(mén)課是斯坦福大學(xué)在Coursera上的公開(kāi)課，是很多朋友也是我在機(jī)器學(xué)習(xí)中的入門(mén)課，在我看來(lái)這是一個(gè)必讀的課程。

它會(huì)首先幫你復(fù)習(xí)線(xiàn)性代數(shù)中的核心概念，然后會(huì)教你基礎(chǔ)的Matlab（Octave）編程。完成這些后，才會(huì)提出第一個(gè)關(guān)于一元回歸的概念。之后，課程會(huì)帶你學(xué)習(xí)一些有趣的部分，比如做數(shù)據(jù)分析的一些主要方法工具以及神經(jīng)網(wǎng)絡(luò)，但是如果你想很認(rèn)真很認(rèn)真的學(xué)習(xí)，那你就要多做練習(xí)并且在過(guò)程中會(huì)接觸到很多課外知識(shí)，這些都會(huì)幫助你建立在機(jī)器學(xué)習(xí)中的直覺(jué)與數(shù)學(xué)能力。

課程中的示例圖片，來(lái)源：https://tinyurl.com/ybupqzzb

 

數(shù)學(xué)思維概論

2008年我的大學(xué)階段我很開(kāi)心，因?yàn)槲以谶@個(gè)階段學(xué)習(xí)了不同種類(lèi)的數(shù)學(xué)。即便這樣，我也打算來(lái)聽(tīng)斯坦福大學(xué)在Coursera上的這門(mén)公開(kāi)課，通過(guò)它來(lái)幫助我回顧數(shù)學(xué)中的一些核心概念，同時(shí)增強(qiáng)我的數(shù)學(xué)技能。這門(mén)課不僅覆蓋了我在第一學(xué)期中學(xué)到的一些概念，它還提升了我在分析思維上的能力。對(duì)于大多數(shù)人來(lái)說(shuō)，這門(mén)課在幫助大家從傳統(tǒng)的推理思維轉(zhuǎn)換到數(shù)學(xué)思維這件事兒上建立了一個(gè)很好的范例。除此以外，部分課程會(huì)在數(shù)學(xué)證明上具有一定的挑戰(zhàn)性。特別是對(duì)于普通的書(shū)寫(xiě)語(yǔ)言而言，它會(huì)讓你有一種在學(xué)習(xí)一門(mén)新語(yǔ)言的感覺(jué)。

你不會(huì)感到學(xué)習(xí)“一門(mén)新語(yǔ)言”這件事很痛苦，因?yàn)榕�判思維對(duì)數(shù)據(jù)科學(xué)尤為重要。另外一個(gè)重要的點(diǎn)（或者說(shuō)減輕痛苦的點(diǎn)）是這門(mén)課會(huì)幫助你在探索數(shù)據(jù)科學(xué)時(shí)掃清一些常見(jiàn)謬誤的概念。

Master List of Logical Fallacies 邏輯謬論列表

utminers.utep.edu/omwilliamson/emgl1311utminers.utep.edu

如果在剛開(kāi)始學(xué)習(xí)這些內(nèi)容時(shí)把你自己所在一個(gè)籠子里幾周，出來(lái)后你會(huì)對(duì)很多你聽(tīng)到的、你見(jiàn)到的事情產(chǎn)生質(zhì)疑。不要忘了目標(biāo)：數(shù)據(jù)科學(xué)！

Dilbert列舉了許多常見(jiàn)謬誤

來(lái)源：https://tinyurl.com/y97w2oej

 

編程

總的來(lái)說(shuō)，無(wú)論你的職業(yè)選擇是如何，你都要學(xué)會(huì)編程。它能在很多方面讓你的工作生活變的有趣和方便。

大體來(lái)說(shuō)，對(duì)于生活中遇到的一些數(shù)據(jù)科學(xué)問(wèn)題我們已經(jīng)漸漸不用再自己去編程，這部分任務(wù)已經(jīng)被 Alteryx, Azure Studio, Dataiku, H2O.ai, or Knime這些平臺(tái)完成。然而，成為一個(gè)通用框架或編程專(zhuān)家在很長(zhǎng)一段時(shí)間內(nèi)都能給你在快速高效處理未清洗的機(jī)器學(xué)習(xí)數(shù)據(jù)時(shí)極強(qiáng)的自信。

在最開(kāi)始時(shí)你的問(wèn)題可能是“我如何把csv文件的內(nèi)容讀取到數(shù)據(jù)框架里？我如何做一些簡(jiǎn)單的數(shù)據(jù)可視化工作？我如何把所有類(lèi)里的數(shù)據(jù)值變成數(shù)值？我如何處理多列表數(shù)據(jù)集？”，在過(guò)了某個(gè)時(shí)間節(jié)點(diǎn)后，你的問(wèn)題就變成“這里用loopsin合適嗎，還是有其他的方式能達(dá)到這個(gè)目標(biāo)，比如vectorised？我如何才能把我的算法簡(jiǎn)化從而降低所占用的計(jì)算機(jī)資源？“

一個(gè)簡(jiǎn)單的Seaborn指令可以幫助你建立直觀大方的數(shù)據(jù)可視化視圖。（自有資源）

幸運(yùn)的是你有很多種選擇來(lái)解決這些問(wèn)題與挑戰(zhàn)：更多有經(jīng)驗(yàn)的人，Stack Overflow、Quora還有其他一些社區(qū)。

對(duì)編程語(yǔ)言來(lái)說(shuō)，我推薦Python作為人工智能的入門(mén)語(yǔ)言，因?yàn)樗�很容易上手，而且它在�?shù)據(jù)科學(xué)家中很流行，因?yàn)樗�的Pandas，Numpy，Matplotlib等多個(gè)庫(kù)可以幫助他們很好的處理數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)清洗及可視化等問(wèn)題，而且它和機(jī)器學(xué)習(xí)框架TensorFlow配合很好，可以讓你很輕松的就調(diào)用GPU的算力。

另外一條比較通用的路徑就是R語(yǔ)言了。相對(duì)于Python可能會(huì)讓你花點(diǎn)時(shí)間進(jìn)入“數(shù)據(jù)科學(xué)”的世界這件事來(lái)講，R會(huì)讓你立馬進(jìn)入統(tǒng)計(jì)模型的世界。相比之下，選擇Python除了數(shù)據(jù)科學(xué)這個(gè)功能外，它還能幫助你更好的理解編程這件事，讓你上手其他語(yǔ)言如C++,Java更快。但是無(wú)論你選擇R還是選擇Python，都是可以的。

看看Udemy的這個(gè)課程，我沒(méi)去學(xué)習(xí)它，但是就課程內(nèi)容和價(jià)格來(lái)講，看起來(lái)還不錯(cuò)，鏈接如下：

https://www.udemy.com/the-data-science-course-complete-data-science-bootcamp/

另外一個(gè)比較好的資源就是Gareth James的 An Introduction to Statistical Learning with Applications in R（R語(yǔ)言在統(tǒng)計(jì)學(xué)習(xí)中的應(yīng)用）。這本書(shū)在鏈接中就能看到，它的核心內(nèi)容是如何使用R語(yǔ)言進(jìn)行統(tǒng)計(jì)編程。如果你線(xiàn)性代數(shù)沒(méi)有學(xué)的很扎實(shí)，這本書(shū)會(huì)嚇到你（你第10頁(yè)就會(huì)遇到）。無(wú)論你如何選擇，你都需要學(xué)習(xí)數(shù)學(xué)。。。

 

對(duì)數(shù)學(xué)的無(wú)偏見(jiàn)評(píng)論

我一直很喜歡數(shù)學(xué)，但是我在高中的時(shí)候?qū)W的比較一般。在大學(xué)階段我就學(xué)的比較好了，當(dāng)然是通過(guò)不懈的努力（2013年的時(shí)候）。差不多這個(gè)時(shí)候我決定我將在未來(lái)的某個(gè)時(shí)間節(jié)點(diǎn)去攻讀碩士研究生，然而在學(xué)習(xí)Gre和GMAT的過(guò)程中，我就發(fā)現(xiàn)了我一些基礎(chǔ)知識(shí)薄弱的地方，中間還有個(gè)有趣的插曲，就是我是通過(guò)看視頻學(xué)習(xí)的，這個(gè)視頻不是一般的視頻，而且給孩子學(xué)習(xí)數(shù)學(xué)看的lol。

多年后，我開(kāi)始接觸到了數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)的邊角：高級(jí)線(xiàn)性代數(shù)和計(jì)算。雖然說(shuō)這對(duì)于成為一個(gè)數(shù)據(jù)科學(xué)家來(lái)說(shuō)并不是一個(gè)必須品，但是它對(duì)你理解數(shù)據(jù)很有幫助，比如說(shuō)一個(gè)主成分分析（PCA）倒是在做什么。懂的數(shù)據(jù)背后的數(shù)學(xué)可以在講述故事的時(shí)候幫助你很多，當(dāng)日是在開(kāi)始的時(shí)候。

2個(gè)群在3個(gè)主成分中的繪圖（自有資源）。數(shù)學(xué)直覺(jué)可以很好的幫助你理解這個(gè)。

在3個(gè)主要成分上繪制2個(gè)簇。數(shù)學(xué)直覺(jué)有助于解釋這個(gè)問(wèn)題。

總的來(lái)說(shuō)，Manhattan Prep的線(xiàn)上課程雖然昂貴，但是對(duì)我學(xué)習(xí)數(shù)學(xué)起到了至關(guān)重要的作用。它幫助在今天更容易的理解機(jī)器學(xué)習(xí)，統(tǒng)計(jì)學(xué)和金融分析。擁有一個(gè)牢固的數(shù)學(xué)基礎(chǔ)可以幫助你學(xué)習(xí)新知識(shí)時(shí)更快更好，同樣它在工作效率和自我認(rèn)同上也提供了非常重要的作用。

看看下邊的資源：

GRE Just Math | Manhattan Prep

GRE Just Math is your live, comprehensive GRE Math prep course taught by a 99th-percentile GRE Math expert. In one…www.manhattanprep.com

 

Manhattan Prep GRE Set of 8 Strategy Guides, 4th Edition : Manhattan Prep : 9781937707910

Manhattan Prep GRE Set of 8 Strategy Guides, 4th Edition by Manhattan Prep, 9781937707910, available at Book Depository…www.bookdepository.com

除非你想獨(dú)自研究或者學(xué)習(xí)算法，高級(jí)線(xiàn)性代數(shù)與計(jì)算并不是必備的，它對(duì)我來(lái)說(shuō)是更快理解核心觀念的工具，尤其是在統(tǒng)計(jì)模型中。

 

人

作為一個(gè)數(shù)據(jù)科學(xué)可能需要你安靜的坐下來(lái)，然后敲無(wú)止盡的代碼，做成天上月的特征工程，最后才能得到一些有意義的數(shù)據(jù)。在這樣的情況下，一個(gè)人如果無(wú)法能從高認(rèn)知層面上解釋或者理解它在干什么以及它為什么這么干，那么他是無(wú)法從中獲得樂(lè)趣的。當(dāng)日，最關(guān)鍵的是你需要首先定義清楚你要解決的問(wèn)題。

假設(shè)你是一個(gè)電子商務(wù)公司的數(shù)據(jù)科學(xué)家，你突然接到報(bào)告說(shuō)“信用卡欺詐交易數(shù)量突然間上升了”。雖然說(shuō)你對(duì)于這個(gè)問(wèn)題還沒(méi)有任何線(xiàn)索，但是你心中已經(jīng)知道大概可以先從這幾個(gè)點(diǎn)入手。一個(gè)新手會(huì)犯的錯(cuò)誤是直接去看一個(gè)分類(lèi)或者群模型，只是因?yàn)?ldquo;欺詐”這個(gè)字眼影響你這么做。探索性的數(shù)據(jù)分析可以在最開(kāi)始的時(shí)候幫助你，但是核心問(wèn)題仍舊無(wú)法被回答：應(yīng)該去分析什么，從哪兒開(kāi)始，最終的目標(biāo)是什么，如何來(lái)衡量你工作的影響。最終可能你會(huì)發(fā)現(xiàn)問(wèn)題是出在版本發(fā)行中的一個(gè)bug，一個(gè)你無(wú)須什么數(shù)據(jù)分析技巧就能解決的問(wèn)題。

事實(shí)上設(shè)計(jì)思維是一個(gè)在People中被廣泛認(rèn)知的方法論。尤其是在基礎(chǔ)交流、講故事、定義問(wèn)題和產(chǎn)品開(kāi)發(fā)中。盡管設(shè)計(jì)思維同數(shù)據(jù)科學(xué)沒(méi)有直接的聯(lián)系，但是它可以幫助數(shù)據(jù)科學(xué)家同身邊的人交流并交付“數(shù)據(jù)產(chǎn)品”。

Design Thinking Framework（設(shè)計(jì)思維框架）. 來(lái)源: https://www.nngroup.com/articles/design-thinking/

總的來(lái)說(shuō)，一個(gè)人在某一個(gè)方面越專(zhuān)精，越容易通過(guò)支持?jǐn)?shù)據(jù)定義一個(gè)問(wèn)題，并基于支持?jǐn)?shù)據(jù)來(lái)快速高效的提出解決方案。不可忽略的是，哪怕是一個(gè)資深數(shù)據(jù)科學(xué)家，也要通過(guò)同人來(lái)交流從而幫助他解決遇到的挑戰(zhàn)。

A Virtual Crash Course in Design Thinking

This is an online version of one of our most frequently sought after introductory learning experiences. Using a video…dschool.stanford.edu

在很多情況下，理解更有經(jīng)驗(yàn)的人的觀點(diǎn)是非常有用的，同時(shí)這也是一種捷徑。你可以和來(lái)自世界各個(gè)角落的人分享觀點(diǎn)，參加黑客馬拉松和各種聚會(huì)，世界上的大多數(shù)城市都會(huì)有諸如此類(lèi)的活動(dòng)。核心是交流，學(xué)習(xí)和分享。完全沒(méi)有理由孤立自己。

 

"正統(tǒng)"經(jīng)濟(jì)學(xué)和"異端"經(jīng)濟(jì)學(xué)

如果你正在處理消費(fèi)者數(shù)據(jù)，這些資源將會(huì)特別有用。但是如果你正在處理數(shù)據(jù)中心監(jiān)控?cái)?shù)據(jù)，藥品數(shù)據(jù)，金融監(jiān)控，工廠(chǎng)傳感器上的生物醫(yī)學(xué)數(shù)據(jù)，這些資源基本用不上。記住，這篇文章是基于我自身的經(jīng)驗(yàn)，但是這里的要點(diǎn)是獲取某一專(zhuān)業(yè)領(lǐng)域的知識(shí)。

我用簡(jiǎn)單的方式介紹一下兩者的不同：正統(tǒng)經(jīng)濟(jì)學(xué)著重用一串的主流模型解釋過(guò)去，現(xiàn)在和未來(lái)。然而"異端"經(jīng)濟(jì)學(xué)加入了很多的社會(huì)中的個(gè)人情況，經(jīng)常在均衡中帶入一些主觀性。

拿巴西汽車(chē)價(jià)格舉例。雖然巴西仍然在與高物價(jià)，荒謬的稅收，僅僅只有12%的地方鋪有公路等情況做著斗爭(zhēng)，但是汽車(chē)制造商仍然有很高的利潤(rùn)率。除此之外，當(dāng)人們?cè)谫I(mǎi)車(chē)的時(shí)候，人們更傾向購(gòu)買(mǎi)高檔次的汽車(chē)，有時(shí)不惜以過(guò)高的利率分72期進(jìn)行償還。這又很多客觀的和主觀的原因在里面。相比于公共交通的質(zhì)量，有一輛好車(chē)既是地位的象征，同時(shí)在繁忙的交通中人們有一輛車(chē)感覺(jué)會(huì)更好......這些變量可以用"正統(tǒng)"經(jīng)濟(jì)學(xué)進(jìn)行評(píng)估，但是當(dāng)每一個(gè)人都有自己的價(jià)值感知時(shí)，這些變量就不能直接進(jìn)行評(píng)估了。這個(gè)挑戰(zhàn)是在購(gòu)買(mǎi)者和利潤(rùn)率都最大化時(shí)定義產(chǎn)品和價(jià)格。所以理解文化價(jià)值和宏觀經(jīng)濟(jì)因素對(duì)感知的影響之間的對(duì)抗是重要的，這將對(duì)你進(jìn)行分析更加有利。而且，理解個(gè)人行為是個(gè)性化的關(guān)鍵，同時(shí)這也是數(shù)據(jù)科學(xué)中的一個(gè)重要主題。順便說(shuō)一句，根據(jù)以上的例子，利率同樣來(lái)自主觀的因素，比如借款人和貸款人的時(shí)間偏好。

理解經(jīng)濟(jì)學(xué)是處理國(guó)際業(yè)務(wù)的關(guān)鍵。明知道宏觀經(jīng)濟(jì)動(dòng)態(tài)并不能夠徹底地被GDP或者(貿(mào)易)順差這樣的主流指標(biāo)解決,將迫使你自然而然地陷入可選擇但強(qiáng)制的辯解中。

出于我個(gè)人對(duì)金融危機(jī)的好奇，我大約在2008年的時(shí)候啟動(dòng)了這些課題，但是我直到2012年的時(shí)候才發(fā)布了以下這些資源：

Winning At Innovation: The A-to-F Model

Innovation is a responsibility normally assigned to R&D departments but this is not enough. Companies need a systematic…www.amazon.co.uk

Economics

The MIT Press has been a leader in open access book publishing for two decades, beginning in 1995 with the publication…mitpress.mit.edu

Journals

Political Theory It seems to be universal that elected officials are seduced by the fantasy thesis that election to…mises.org

Demand: Creating What People Love Before They Know They Want It

Demand is one of the few economic terms almost everyone knows. Demand drives supply. When demand rises, it stimulates…www.amazon.co.uk

 

這些是怎么結(jié)合起來(lái)的呢？

現(xiàn)在，假設(shè)你是在一家負(fù)責(zé)CRM(客戶(hù)關(guān)系管理)和訂閱主要寵物產(chǎn)品供應(yīng)商的內(nèi)容管理的機(jī)構(gòu)工作。

以你對(duì)商業(yè)和人群不斷變化的理解，你寫(xiě)了一個(gè)包含能夠?qū)�潛在客�?hù)分類(lèi),并能識(shí)別“呼叫中心背景噪音有多大“與發(fā)表在企業(yè)APP上的“不斷增長(zhǎng)的有關(guān)丑陋的狗狗內(nèi)容”的綜合因素有關(guān)的根本原因的代碼。

你還了解到"客戶(hù)中心的響度"與“狗狗的丑陋”不是獨(dú)立思考的客戶(hù)流失的主要原因。你把這些你用python的Season庫(kù)并且你允許它使用這些數(shù)據(jù)并用數(shù)據(jù)可視化工具活動(dòng)起來(lái)建立起來(lái)的圖表呈遞給你的首席戰(zhàn)略官。你已經(jīng)成功地向組織的主要領(lǐng)導(dǎo)解釋了結(jié)論是如何形成的，就像指揮管弦樂(lè)隊(duì)的大師，但是你用對(duì)數(shù)學(xué)和統(tǒng)計(jì)建模的扎實(shí)理解的能力替代了指揮棒。你很自信，你的論點(diǎn)很有道理，這導(dǎo)致了領(lǐng)導(dǎo)層的認(rèn)可，因?yàn)槟悻F(xiàn)在正在創(chuàng)造一個(gè)欣欣向榮的環(huán)境來(lái)討論真正的問(wèn)題，而不是謬誤。CRM將解決客戶(hù)容易流失的客戶(hù)案例，內(nèi)容經(jīng)理現(xiàn)在將開(kāi)始發(fā)布有關(guān)llamas的更多信息，這將增加節(jié)假日的附加銷(xiāo)售，因?yàn)槟�的大多�?shù)客戶(hù)都居住在秘魯一個(gè)旅游頻繁的城市。

最后，您還使用在GPU上運(yùn)行的密集神經(jīng)網(wǎng)絡(luò)的TensorFlow來(lái)訓(xùn)練這種流失預(yù)測(cè)算法，來(lái)處理數(shù)十億條記錄和特性。它的部署方式是，即時(shí)評(píng)估應(yīng)用程序、網(wǎng)站、實(shí)體商店和呼叫中心內(nèi)客戶(hù)的所有交互，使系統(tǒng)能夠了解模式，并在檢測(cè)到高流失可能性時(shí)通知您。

數(shù)據(jù)科學(xué)不僅僅是算法。資源：https://xkcd.com/1831/

聽(tīng)起來(lái)很瘋狂，但這就是數(shù)據(jù)科學(xué)的重點(diǎn)：將問(wèn)題轉(zhuǎn)化為答案，將挑戰(zhàn)轉(zhuǎn)化為巨大的機(jī)遇（在許多情況下，需要幾個(gè)月甚至幾年時(shí)間！）

 

總體思路

當(dāng)然，你接觸新信息的速度將超過(guò)你吸收新信息的能力。我仍然在學(xué)習(xí)許多我不完全理解的事情的進(jìn)程上。誠(chéng)然，我的學(xué)位和專(zhuān)業(yè)經(jīng)驗(yàn)幾乎是自然地幫助我在這一領(lǐng)域中立足的，但以上資源是獨(dú)立的，我可以放心地說(shuō)，幾乎每個(gè)職業(yè)都有可轉(zhuǎn)移的技能，可以用于數(shù)據(jù)科學(xué)。選擇一個(gè)開(kāi)始的地方可能是令人望而生畏的，特別是有這么多可用的信息，但我希望經(jīng)驗(yàn)可以幫助您找到一些資源開(kāi)始。

 

展望未來(lái)

我對(duì)數(shù)據(jù)科學(xué)有很多樂(lè)趣，我相信那些喜歡多學(xué)科領(lǐng)域和不斷學(xué)習(xí)的人也會(huì)有�，F(xiàn)在，我仍然依靠上面的一些資源來(lái)繼續(xù)前進(jìn)。不過(guò)，我更重視傾聽(tīng)人們的經(jīng)歷。

事實(shí)上，它周?chē)�的炒作和嗡嗡聲�?huì)讓很多人感到沮喪，許多神話(huà)-和過(guò)于簡(jiǎn)單化-出現(xiàn)，但無(wú)論你是開(kāi)始或只是路過(guò)，我希望這些資源對(duì)你有用。

想聽(tīng)聽(tīng)關(guān)于數(shù)據(jù)科學(xué)和A.I.的更多信息嗎？

在 twitter 上和媒體上關(guān)注我，在媒體上我會(huì)更經(jīng)常地分享和發(fā)布這些主題。

原標(biāo)題 ：7 Resources for Those Wanting to Learn Data Science
作者：Bruno Trentini
翻譯：凱伊•斯特朗、Eli伊萊、唯愛(ài)我清、Ophria
原文鏈接：

https://towardsdatascience.com/7-resources-for-those-wanting-to-learn-data-science-a89e25d1b55e

 

標(biāo)簽： Google 代碼 電子商務(wù) 電子商務(wù)公司 谷歌 金融 媒體 數(shù)據(jù)分析 網(wǎng)絡(luò)

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請(qǐng)聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請(qǐng)與原作者聯(lián)系。